Clasificación de Flores Iris

Este proyecto demuestra la clasificación de flores Iris en tres especies (Setosa, Versicolor y Virginica) basándose en las medidas de sus sépalos y pétalos.

Resumen del Proyecto

El proyecto utiliza un enfoque de aprendizaje automático con los siguientes pasos:

1. Carga de Datos: Carga el conjunto de datos Iris desde una base de datos SQLite (database.sqlite).
2. Preprocesamiento de Datos: Extrae las características relevantes (longitud del sépalo, ancho del sépalo, longitud del pétalo, ancho del pétalo) y prepara los datos para el entrenamiento del modelo.
3. Entrenamiento del Modelo: Entrena un modelo de Regresión Logística utilizando los datos de entrenamiento.
4. Evaluación del Modelo: Evalúa el rendimiento del modelo utilizando la precisión como métrica.
5. Predicción: Demuestra cómo utilizar el modelo entrenado para predecir la especie de nuevas flores Iris.

Requisitos

• Python 3.x
• Librerías:
  • sqlite3
  • pandas
  • numpy
  • scikit-learn (sklearn)
  • IPython

Para instalar las librerías necesarias, puedes usar pip:

bash pip install sqlite3 pandas numpy scikit-learn ipython

Uso

1. Datos: Asegúrate de que el archivo database.sqlite esté en el mismo directorio que el código.
2. Ejecución: Ejecuta el código Python proporcionado en el notebook (por ejemplo, iris_classification.ipynb).
3. Predicción: Utiliza la función predecir_flor para predecir la especie de una nueva flor Iris proporcionando las medidas de su sépalo y pétalo.

Detalles del Modelo

• Modelo: Regresión Logística (multiclase, multinomial)
• Solucionador: 'lbfgs'
• Métrica de Evaluación: Precisión

Resultados

El modelo logró una precisión de 0.9777777777777777 en los datos de prueba.

Contribuciones

Siéntete libre de contribuir a este proyecto:

• Mejorando el rendimiento del modelo
• Añadiendo nuevas características
• Mejorando la documentación

Licencia

Este proyecto está bajo la Licencia MIT.